Avaliação da aplicação de redes neurais LSTM para previsão de vazões de uma usina hidroelétrica
Autor(a) principal: | |
---|---|
Data de Publicação: | 2024 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
Texto Completo: | https://app.uff.br/riuff/handle/1/33036 |
Resumo: | A previsão de vazões é uma poderosa ferramenta de auxílio para uma melhor operação de usinas hidroelétricas. Este trabalho tem como objetivo avaliar a aplicação de redes neurais para a previsão de curto prazo de vazões médias diárias afluentes a aproveitamentos energéticos. Para treinamento do modelo e realização das previsões foram utilizados os dados de vazões médias afluentes diárias do aproveitamento Itiquira, localizado na bacia do rio Itiquira no estado do Mato Grosso, disponibilizado pelo Operador Nacional do Sistema Elétrico (O.N.S), além dos dados de precipitação de estações no entorno. Propôs-se um modelo de rede neural long-short-term memory (LSTM), caracterizado por guardar dependências de longo prazo dentre as variáveis de entrada. O modelo foi aplicado com 6 diferentes configurações, a fim de se obter uma previsão de 7 dias a frente e os resultados do modelo foram comparados com os dados monitorados e com as previsões obtidas pelo modelo ARIMA/ARIMAX, amplamente utilizado. O modelo proposto apresentou desempenho satisfatório para os primeiros dias de previsão, com queda de desempenho considerável à medida que o horizonte crescia, como esperado, devido ao erro agregado do modelo e o distancaimento das condições iniciais. Além disso, o modelo LSTM se mostrou superior ao modelo ARIMA em todas as configurações testadas |
id |
UFF-2_a546d05003a5f52bedc081d40aaad6ef |
---|---|
oai_identifier_str |
oai:app.uff.br:1/33036 |
network_acronym_str |
UFF-2 |
network_name_str |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
repository_id_str |
2120 |
spelling |
Avaliação da aplicação de redes neurais LSTM para previsão de vazões de uma usina hidroelétricaPrevisão de VazõesRede Neurais LSTMARIMAUsina hidrelétricaMedida de vazãoRede neuralFlow forecastLSTM neural networkA previsão de vazões é uma poderosa ferramenta de auxílio para uma melhor operação de usinas hidroelétricas. Este trabalho tem como objetivo avaliar a aplicação de redes neurais para a previsão de curto prazo de vazões médias diárias afluentes a aproveitamentos energéticos. Para treinamento do modelo e realização das previsões foram utilizados os dados de vazões médias afluentes diárias do aproveitamento Itiquira, localizado na bacia do rio Itiquira no estado do Mato Grosso, disponibilizado pelo Operador Nacional do Sistema Elétrico (O.N.S), além dos dados de precipitação de estações no entorno. Propôs-se um modelo de rede neural long-short-term memory (LSTM), caracterizado por guardar dependências de longo prazo dentre as variáveis de entrada. O modelo foi aplicado com 6 diferentes configurações, a fim de se obter uma previsão de 7 dias a frente e os resultados do modelo foram comparados com os dados monitorados e com as previsões obtidas pelo modelo ARIMA/ARIMAX, amplamente utilizado. O modelo proposto apresentou desempenho satisfatório para os primeiros dias de previsão, com queda de desempenho considerável à medida que o horizonte crescia, como esperado, devido ao erro agregado do modelo e o distancaimento das condições iniciais. Além disso, o modelo LSTM se mostrou superior ao modelo ARIMA em todas as configurações testadasThe inflow forecast is a powerful tool for a better operation of hydroelectric plants. This study aims to evaluate the application of neural networks for the short-term forecast of average daily inflows to energy utilizations. For model training and forecasting, data on average daily inflows from the Itiquira project, located in the Itiquira river basin in the state of Mato Grosso, made available by the National Electric System Operator (O.N.S), in addition to precipitation data from surrounding stations. A long- short-term memory (LSTM) neural network model was proposed, characterized by keeping long-term dependencies among the input variables. The model was applied with 6 different configurations in order to obtain a forecast 7 days ahead and the results of the model were compared with the monitored data and with the forecasts obtained by the widely used ARIMA/ARIMAX model. The proposed model performed satisfactorily for the first days of forecasting, with a considerable performance drop as the horizon grew, as expected, due to the aggregated model error and the distance from the initial conditions. Furthermore, the LSTM model was superior to the ARIMA model in all configurations tested.76 f.Silva, Rodrigo Amado Garciahttp://lattes.cnpq.br/1176144797576689Zanandrea, Francielehttp://lattes.cnpq.br/3539795122211417Gandelman, Dan Abensurhttp://lattes.cnpq.br/2448208406883740Farias, William Cossich Marcial dehttp://lattes.cnpq.br/0268282356993607Mota, Lucca de Souza2024-07-05T19:22:31Z2024-07-05T19:22:31Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfMOTA, Lucca de Souza. Avaliação da aplicação de redes neurais LSTM para previsão de vazões de uma usina hidroelétrica. 2022. 76 f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Recursos Hídricos e do Meio Ambiente) - Escola de Engenharia, Universidade Federal Fluminense, Niterói, 2022.https://app.uff.br/riuff/handle/1/33036CC-BY-SAinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)instname:Universidade Federal Fluminense (UFF)instacron:UFF2024-07-05T19:22:35Zoai:app.uff.br:1/33036Repositório InstitucionalPUBhttps://app.uff.br/oai/requestriuff@id.uff.bropendoar:21202024-07-05T19:22:35Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)false |
dc.title.none.fl_str_mv |
Avaliação da aplicação de redes neurais LSTM para previsão de vazões de uma usina hidroelétrica |
title |
Avaliação da aplicação de redes neurais LSTM para previsão de vazões de uma usina hidroelétrica |
spellingShingle |
Avaliação da aplicação de redes neurais LSTM para previsão de vazões de uma usina hidroelétrica Mota, Lucca de Souza Previsão de Vazões Rede Neurais LSTM ARIMA Usina hidrelétrica Medida de vazão Rede neural Flow forecast LSTM neural network |
title_short |
Avaliação da aplicação de redes neurais LSTM para previsão de vazões de uma usina hidroelétrica |
title_full |
Avaliação da aplicação de redes neurais LSTM para previsão de vazões de uma usina hidroelétrica |
title_fullStr |
Avaliação da aplicação de redes neurais LSTM para previsão de vazões de uma usina hidroelétrica |
title_full_unstemmed |
Avaliação da aplicação de redes neurais LSTM para previsão de vazões de uma usina hidroelétrica |
title_sort |
Avaliação da aplicação de redes neurais LSTM para previsão de vazões de uma usina hidroelétrica |
author |
Mota, Lucca de Souza |
author_facet |
Mota, Lucca de Souza |
author_role |
author |
dc.contributor.none.fl_str_mv |
Silva, Rodrigo Amado Garcia http://lattes.cnpq.br/1176144797576689 Zanandrea, Franciele http://lattes.cnpq.br/3539795122211417 Gandelman, Dan Abensur http://lattes.cnpq.br/2448208406883740 Farias, William Cossich Marcial de http://lattes.cnpq.br/0268282356993607 |
dc.contributor.author.fl_str_mv |
Mota, Lucca de Souza |
dc.subject.por.fl_str_mv |
Previsão de Vazões Rede Neurais LSTM ARIMA Usina hidrelétrica Medida de vazão Rede neural Flow forecast LSTM neural network |
topic |
Previsão de Vazões Rede Neurais LSTM ARIMA Usina hidrelétrica Medida de vazão Rede neural Flow forecast LSTM neural network |
description |
A previsão de vazões é uma poderosa ferramenta de auxílio para uma melhor operação de usinas hidroelétricas. Este trabalho tem como objetivo avaliar a aplicação de redes neurais para a previsão de curto prazo de vazões médias diárias afluentes a aproveitamentos energéticos. Para treinamento do modelo e realização das previsões foram utilizados os dados de vazões médias afluentes diárias do aproveitamento Itiquira, localizado na bacia do rio Itiquira no estado do Mato Grosso, disponibilizado pelo Operador Nacional do Sistema Elétrico (O.N.S), além dos dados de precipitação de estações no entorno. Propôs-se um modelo de rede neural long-short-term memory (LSTM), caracterizado por guardar dependências de longo prazo dentre as variáveis de entrada. O modelo foi aplicado com 6 diferentes configurações, a fim de se obter uma previsão de 7 dias a frente e os resultados do modelo foram comparados com os dados monitorados e com as previsões obtidas pelo modelo ARIMA/ARIMAX, amplamente utilizado. O modelo proposto apresentou desempenho satisfatório para os primeiros dias de previsão, com queda de desempenho considerável à medida que o horizonte crescia, como esperado, devido ao erro agregado do modelo e o distancaimento das condições iniciais. Além disso, o modelo LSTM se mostrou superior ao modelo ARIMA em todas as configurações testadas |
publishDate |
2024 |
dc.date.none.fl_str_mv |
2024-07-05T19:22:31Z 2024-07-05T19:22:31Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
MOTA, Lucca de Souza. Avaliação da aplicação de redes neurais LSTM para previsão de vazões de uma usina hidroelétrica. 2022. 76 f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Recursos Hídricos e do Meio Ambiente) - Escola de Engenharia, Universidade Federal Fluminense, Niterói, 2022. https://app.uff.br/riuff/handle/1/33036 |
identifier_str_mv |
MOTA, Lucca de Souza. Avaliação da aplicação de redes neurais LSTM para previsão de vazões de uma usina hidroelétrica. 2022. 76 f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Recursos Hídricos e do Meio Ambiente) - Escola de Engenharia, Universidade Federal Fluminense, Niterói, 2022. |
url |
https://app.uff.br/riuff/handle/1/33036 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
CC-BY-SA info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
CC-BY-SA |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF) instname:Universidade Federal Fluminense (UFF) instacron:UFF |
instname_str |
Universidade Federal Fluminense (UFF) |
instacron_str |
UFF |
institution |
UFF |
reponame_str |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
collection |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
repository.name.fl_str_mv |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF) |
repository.mail.fl_str_mv |
riuff@id.uff.br |
_version_ |
1807838858366156800 |